These days, application developers can take their pick from a vast menu of architectural solutions. We can choose from the well-understood to the experimental, and from blended solutions in between. Several powerful middle-ground technologies that emerged during the cloud revolution have really come of age. Here we’ll take a look at putting together three of the most impressive: GitHub, Vercel, and Firestore.

Each of these is an important tool in its own right that can be used to attack specific problems. In combination, they not only meet the needs of several important application scenarios, but they have a superpower—the ability to dramatically shorten the distance between development and deployment.

There is nothing quite as gratifying as putting your hands on just the right mix of tools for a given need.

A ‘no-ops’ stack built for speed

If your primary goal is sheer development velocity, you would be hard-pressed to top this architecture. This “no-ops” stack collapses the distance between your local IDE and a globally distributed production environment. You are essentially trading the overhead of managing VMs and load balancers for the sheer speed of committing code and watching it deploy automatically.

While each component is highly flexible, adopting them requires a specific, event-driven mindset. There are a few finicky bits to manage, mostly around routing environment variables securely and designing around stateless back-end functions. But the constraints are obvious and well-documented.

Before we look more closely, let’s quickly identify the kinds of apps that are a perfect fit here, along with those that are workable and those that really merit a different approach.

• The sweet spot (deploy and go): AI-mediated applications, asynchronous game back ends, and real-time collaborative B2B dashboards. This architecture perfectly absorbs the unpredictable latency of LLM APIs and instantly syncs state across multiple clients without requiring you to build custom WebSocket infrastructure.
• The middle ground (workable, with trade-offs): Headless e-commerce, moderate IoT telemetry, and apps requiring scheduled batch processing. You will encounter friction if your catalog relies on deeply relational SQL constraints, or if your background reporting jobs take longer than a few minutes and hit serverless execution limits.
• The danger zone (look elsewhere): High-frequency trading, fast-paced action multiplayer games, heavy data ETL pipelines, and core financial ledgers. Serverless architectures cannot natively hold open the persistent WebSockets required for twitch-reflex data, and heavy compute tasks will abruptly time out.

We should mention that these categories are not mutually exclusive. Many enterprise applications, such as a full-scale e-commerce platform, straddle these lines. You might use Vercel and Firestore to build a lightning-fast, reactive storefront that handles ephemeral user state like shopping carts, while simultaneously “stitching in” a managed SQL database like Supabase or PlanetScale. This hybrid approach allows you to maintain the relational integrity required for back-office inventory and financial ledgers and pair it with the front-end velocity this stack provides.

GitHub: the bedrock

I don’t need to introduce you to GitHub. It is a central element of the development landscape. I still remember CVS and SVN with a certain nostalgia, but the enhancements of Git speak for themselves. When combined with the orchestration powers of GitHub, it is no wonder that virtually the whole industry has adopted this type of platform.

Git plus GitHub gives you an enormous amount of power already, in terms of how you can organize and automate your projects. But there is a next-level experience in combining GitHub and Vercel. For JavaScript-based projects, you can take simple GitHub pushes and turn them into instantly deployed clients and serverless functions. It is one of the cleanest and least fiddly ways to move from raw code on your local machine to a globally deployed, full-stack architecture.

Vercel: the nexus

Vercel is more than just a deployment host. It is a control plane that ties this high-velocity, no-ops architecture together. Alongside GitHub and Firestore, Vercel’s deeper strength is its ability to act as an orchestration layer between your reactive front end and external stateful services.

Vercel has a great amount of facility in fine-tuning what branches go to what environment and helpful features like instant rollback. You can just log into Vercel’s dashboard for your project and see the history of deployments and any errors and logs. It’s a simple menu choice to roll back to a historical version or compare one version against another.

When you “stitch in” third-party services (such as a managed SQL database like Supabase or a payment processor like Stripe), Vercel’s serverless functions become the lightweight interface, and Vercel’s the adapters handle the communication. You offload the integration logic (the service layer) to Vercel’s global Edge Network, keeping your UI and back end clean, responsive, and decoupled. 

In short, Vercel allows you to get the speed of the “no-ops” development life cycle without sacrificing the complex transactional integrity required for some applications like enterprise inventory systems.

Firestore: the datastore

Firestore is an extremely lightweight, NoSQL, cloud datastore. It has a great deal of add-on power, but its core value proposition is that it accepts virtually any data you stuff into it and it provides event-driven subscriptions to data changes.

These two capabilities together make Firestore about as straightforward a solution to a managed back end as you can imagine. You subscribe to collections or even fields and then you simply stick “unstructured” data (read: JSON with variable fields) in and the client waits for the changes it is interested in.

This is so streamlined that one can just point the browser (or native mobile app) directly at Firestore and listen for events. Which immediately raises the question of identity, for auth and for data visibility, but hold on—Firestore’s third superpower is that it has an authentication module that actually works. What I mean is, it is actually pretty simple and yet confidently secures your app.

Sometimes auth solutions seem either too simple (and yet opaque) or too mired in the nitty gritty. Firestore auth will let you do some basic configuration and start using a reasonable auth almost immediately. 

Not to belabor the point, but having a realistic and attainable auth solution elevates your stack to a production grade—one that can handle many real-world applications. Firestore auth plays nicely with other important APIs, like Stripe. Typically, auth is a major feature that feels like off-roading in a Honda Civic, but Firestore’s approach to auth, added to this particular stack, feels like a normal speed bump. It’s just another component you plug in, rather than a tentacled alien you weave into the your code.

The limits of the velocity stack

This architecture combines components that are optimized for flexibility. That same character also introduces distinct limitations. Understanding these is essential before committing production workloads.

The serverless life cycle

Serverless functions are spun up to handle requests. They close out soon afterward and lose any state. For that reason, they cannot natively hold open persistent WebSockets. If your system requires continuous, sub-millisecond, bidirectional streams—like a real-time multiplayer action game or a high-frequency trading dashboard—pure serverless will fight you all the way. You are forced to introduce a third-party managed WebSocket service to route messages back to your stateless endpoints via HTTP webhooks.

The execution time ceiling

Vercel (like all serverless platforms) enforces strict timeouts on operations. While enterprise tiers might grant you up to 15 minutes, standard functions often time out after 10 to 60 seconds. Long-running tasks like video transcoding, database scripts, or orchestrating multi-step AI agent workflows, which might take 20 minutes to resolve, will run up against these limits. Heavy-lifting tasks must be offloaded to a dedicated, long-running service like Google Cloud Run, or broken into smaller, asynchronous chunks via message queues.

The cold start reality

While the industry has made massive strides in minimizing initialization times—particularly with lightweight edge networks—traditional Node.js-based serverless functions still experience cold starts. If a function has not been invoked recently, or if traffic spikes require a new instance to spin up concurrently, the first request will take a noticeable latency hit as the container provisions and the code loads.

API instead of RAM

In a traditional server environment, you can store transient data in global RAM, allowing subsequent requests to access shared context instantly. In the serverless model, every request might hit a fresh container. Therefore, all shared context must be externalized. Although Firestore serves brilliantly as the state manager, relying on a database for high-frequency, sub-millisecond, ephemeral caching introduces network latency and per-operation costs. That said, using a shared RAM state on a server is non-trivial also, unless you are using a single app server and VM (because high-availability or fail-over requirements will lessen the RAM win on a traditional server).

Tuning for velocity and control

Every architectural decision is a trade-off. There are no cost-free choices. By adopting the GitHub, Vercel, and Firestore stack, you are explicitly maximizing feature velocity over fine-grained control.

You lose the ability to tweak the underlying operating system, hold open persistent sockets, or run hour-long back-end scripts. In exchange, you gain an architecture that scales from zero to global distribution instantly, requires virtually no devops maintenance, and perfectly absorbs the asynchronous, event-driven realities of modern application development.

For the right application—whether it is a fast-moving prototype or an enterprise AI copilot—this stack doesn’t just save time; it fundamentally changes how quickly a small team (or a single person) can impact the market. You stop worrying about build chains, load balancers, and server patches, and you focus on the central mission: shipping features.

You can be forgiven if you think the most important thing AWS ever sold developers was EC2. It’s not. No, AWS’s big gift to developers was permission to stop fretting about servers. That sounds obvious now, but it was close to magical at the time. Before the cloud, getting infrastructure meant waiting on procurement, hardware, and the somewhat arcane process that stood between a developer and a running machine. AWS turned that into a credit card and an API.

It was awesome.

AWS still (over)uses a great phrase for what it removed: “undifferentiated heavy lifting.” That is, all the mess associated with racking servers, patching operating systems, managing storage, planning capacity, etc. Important work, sure, but not the work that makes your application special. Let AWS do that, the company intoned, and developers could focus on the thing their customers actually cared about.

It was a brilliant abstraction. It helped build one of the most important technology companies of the past two decades. It’s also the same logic that increasingly makes the cloud seem superfluous. Not because the cloud is dying. It isn’t. The cloud is bigger and more essential than ever. But developers don’t begin by asking, “Which cloud should I use?” They begin with, “How quickly can I get this thing working?”

That is a different question, and it leads to different tools.

Where to begin?

Let’s get the obvious thing out of the way: AWS remains the biggest developer cloud, and its revenue growth has accelerated in the wake of AI. In the 2024 Stack Overflow Developer Survey⁠, AWS was the top cloud platform, used by 48% of respondents. Microsoft Azure and Google Cloud followed at 27.8% and 25.1%, respectively.

The 2025 Stack Overflow Developer survey⁠ is more interesting, however, because the “cloud development” category no longer reads like a clear cloud-vendor horse race. Docker jumped 17 points to 71% usage, followed by npm and then AWS at 43%. Kubernetes, Azure, Google Cloud, Cloudflare, Terraform, Firebase, Vercel, Netlify, and Supabase all show up in the same mental map.

This is my point: Developers aren’t simply choosing a different cloud first. Often, they’re not choosing a cloud first at all. They’re choosing a workflow, and a workflow is an increasingly separate decision from the underlying cloud.

The first mile moved

For a long time, AWS owned the first mile. If you wanted to build something, you opened an AWS account. Need compute? Launch EC2. Storage? S3. Whatever a developer needed—database, queue, function, CDN, identity layer—AWS, the “everything store,” almost certainly had an answer.

It was magical! Then it became the norm. And, over time, it became a lot. The “everything store” arguably had too much, making it hard for developers to know how to use it effectively. The developer’s question became, “How much AWS do I have to understand before I can ship?” Developers increasingly don’t want to answer that question at the start.

The first mile now often begins in GitHub⁠, which says more than 36 million developers joined in a single year. Or it begins in VS Code, which keeps winning because it’s familiar, extensible, and already open. Or it begins in Cursor, GitHub Copilot, Claude, Codex, and the broader AI coding layer. GitHub’s 2025 Octoverse⁠ says nearly 80% of new developers on GitHub use Copilot within their first week. Stack Overflow’s 2025 AI survey results⁠ point the same way, with 84% of respondents using or planning to use AI tools in their development process, up from 76% in 2024.

The starting point is changing. The default interface to building software is becoming an AI-assisted workflow, not a cloud console. This doesn’t make the cloud less important, but it definitely makes it less visible.

The joy of not caring

The developer platforms with momentum right now are winning because they expose less cloud infrastructure. Call it serverless if you like, but it’s deeper than AWS Lambda ever was. AWS Lambda still made you think in AWS. These new platforms make you think in your app.

Take Vercel⁠. It didn’t win developer mindshare by offering more than 200 services and praying developers would navigate them all. Instead, it attached itself to the way many front-end and full-stack developers already work: GitHub, Next.js, previews, deployments, performance, and a short path from code to live application. It seems to be working: Reuters reported last year that Vercel raised $300 million at a $9.3 billion valuation⁠, after doubling its user base and growing revenue 82%.

Cloudflare offers a similar promise from a different angle, as I’ve written: deploy globally, run close to users, scale automatically, and don’t make infrastructure the developer’s first problem. Supabase⁠ does the same for data, wrapping Postgres with authentication, instant APIs, edge functions, real-time subscriptions, storage, and vectors so the database feels less like a separate system and more like an app platform.

None of this is anti-cloud. But it’s very definitely stripping away the need to even think about cloud. And it’s just as definitely where developers are focused today.

AI accelerated all of this because it changed the first question developers ask. For an AI application, the opening move often isn’t where do you host it, but rather which model, which agent framework, etc., will get you to a live application fastest? For this reason, OpenAI’s developer platform⁠ isn’t framed as renting infrastructure. It’s framed as building with models, APIs, tools, docs, and examples. Similarly, Anthropic’s Claude Code⁠ isn’t positioned as configuring a cloud environment; it’s an agentic coding system that works in your code base and helps you build, test, and ship.

The second mile matters more

I’m not saying the cloud vendors should abandon hope. Indeed, though the first mile has moved away from the hyperscalers, the second mile is still very much theirs to win.

Vercel, Cloudflare, Supabase, OpenAI, Anthropic, and GitHub are brilliant at helping developers make something work, fast. But in the enterprise, “fast” isn’t the key priority: Enterprises eventually need the boring stuff like identity, network controls, observability, cost management, compliance, and the rest of the unglamorous apparatus that keeps customer data from leaking onto Reddit.

Boring is good when boring means the thing works.

This is where AWS, Azure, Google Cloud, Oracle, and other infrastructure companies should have an advantage. But it won’t be enough to say, “We have the grown-up features.” That’s true, but it’s dull, and in this case, “dull” isn’t a winning proposition. No, the strategic challenge for the hyperscalers is to make the jump from prototype to production feel like an upgrade instead of a punishment.

AWS’s new $1 billion investment in forward-deployed AI engineers⁠ is interesting for exactly this reason. AWS says the new organization will embed experts with customers to co-develop and deploy agentic AI solutions in days. That’s not classic bottom-up developer love, but it’s a smart recognition that the bottleneck has moved closer to the application. The hard part is turning capability into a working system, not merely getting access to infrastructure or a model.

Yep. Exactly.

Hiding the cloud

The mistake for cloud infrastructure companies would be to respond to this by trying to become a Vercel, Supabase, GitHub, OpenAI, or Anthropic all at once. That’s the classic incumbent move, and it rarely works. The better move is narrower: become the most natural next step when the prototype starts to matter.

That means meeting developers where they work: GitHub, VS Code, Cursor-style environments, CI/CD systems, and AI agents. It means outcome-native starts: deploy this app, connect this data, expose this API, add auth, evaluate this agent, secure this workflow, move this prototype into production. It means fewer scavenger hunts across product pages and establishing more golden paths (yes, even if that infuriates a service team that gets left out).

The old question was, “Can you run my workload?” For AWS, Azure, Google Cloud, Oracle, and others, the answer is almost always yes. But no one is impressed by this anymore. Therefore, the better question is, “Can you become part of how I build?”

Developers came to the cloud because it was the easiest way to get infrastructure. They’re shifting to developer experience platforms because those are the easiest way to get outcomes. If the cloud providers can become part of the first mile before the Vercels of the world become part of the second mile, they’ll win, and big. If they don’t, well….

Ein paar Mal im Jahr tüftelt das Google-Doodle-Team hochwertige Spiele aus, um Jahrestage und besondere Ereignisse zu feiern oder um auf ein aktuelles Thema aufmerksam zu machen. In der Regel dauern diese Games zwischen zwei und zwanzig Minuten – einige können aber auch mehr als eine Stunde in Anspruch nehmen. Wir haben eine Auswahl der besten Google-Doodle-Spiele für Sie zusammengestellt.

Die besten Google-Doodle-Spiele

Pac-Man

Geht es um Arcade-Klassiker aus den 1980er-Jahren, führt kein Weg an Pac-Man vorbei. 2010 veröffentlichte Google das weltberühmte Spiel als Doodle Game, um das 30-jährige Jubiläum des gelben Vielfraßes zu feiern. Erleben Sie pure Nostalgie, während Sie gelbe Punkte, verschiedene Früchte und vielleicht sogar den ein oder anderen Geist verschlingen.

Ziel des Spiels ist es, alle Punkte auf dem Spielfeld abzuräumen und dabei den Geistern auszuweichen. Wird man von einem Geist berührt, heißt es “Game Over”. Pac-Man lässt sich mit den Pfeiltasten auf der Tastatur steuern. Auch eine Partie zu zweit ist möglich: Klicken Sie zweimal auf “Münze einwerfen” und Ms. Pac-Man kommt als spielbarer Charakter dazu. Pacmans Liebste wird mit den Tasten A, S, D und W gesteuert.

Celebrating Pizza

Pizza-Enthusiasten mit Spieltrieb dürften mit dem Google Doodle Game “Celebrating Pizza” aus dem Jahr 2021 Speichelfluss-geschwängerten Spielspaß finden. Das Spielprinzip ist dabei schnell erklärt: Sie müssen Pizzas mit diversen Belägen entsprechend der Bestellungen der Kunden zuschneiden. Dabei werden die Aufgaben zunehmend diffizil – etwa weil Sie auf die Positionierung bestimmter Zutaten achten müssen, um den Task perfekt zu erfüllen.

Celebrating Popcorn

Neben Pizza zählt Popcorn wohl zu den weltweit beliebtesten Snacks, insbesondere in Kombination mit den neuesten (oder klassischen) Blockbustern. Grund genug für Google, auch dem buttrig süßen (oder salzigen) Mais-Produkt ein spielerisches Denkmal zu setzen. Das ist als Multiplayer-Spass konzipiert und versetzt Sie in die Rolle eines Maiskorns, das um jeden Preis verhindern muss, aufzuplatzen. Dazu gilt es zum Beispiel, fiesen Buttergeschossen auszuweichen.

Pani Puri

Das in Südostasien populäre Street Food Panipuri bezeichnet eine frittierte Teighülle, die mit diversen Chutneys, Saucen und Zutaten gefüllt werden. Das verspricht vielfältige, kulinarische Gaumenfreuden – insofern die Teiglinge direkt nach der Herstellung verzehrt werden.

Wie sich das aus Perspektive eines Street-Food-Händlers anfühlt, dürfen Sie mit diesem Google Doodle spielerisch nachempfinden. Dazu müssen Sie “lediglich” die richtige Anzahl von Bestellungen auswählen, bevor die hungrigen Kunden unleidig werden. Der Schwierigkeitsgrad beziehungswiese die Komplexität der Bestellungen steigt dabei kontinuierlich an.

Gerald Lawson

Das Konzept modulbasierter Spielekonsolen wie Atari VCS, Nintendo Entertainment System oder Sega Mega Drive geht auf Gerald “Jerry” Lawson zurück, der bei Fairchild Semiconductor in den 1970er Jahren an der Entwicklung der Spielekonsole Channel F beteiligt war.

Lawsons Beitrag zum künftigen Erfolg der Videospielindustrie fand erst späte Würdigung: 2011 wurde er von der International Game Developers Association geehrt. Er wurde zudem in die World Video Game Hall of Fame aufgenommen. Im Google Doodle Game zu seinen Ehren dürfen Sie seinen Karriereweg spielerisch erkunden.

Great Ghoul Duel

Anlässlich des Halloween-Festes 2022 hat Google ein Online-Multiplayer-Spiel an den Start gebracht, in dem die Benutzer in Viererteams gegeneinander antreten, um “Geisterflammen” zu sammeln und in die eigene “Homebase” zu transportieren – ohne dabei dem gegnerischen Team die Möglichkeit zu geben, diese zu klauen.

Das versprüht nicht nur auf dem Papier “Capture the Flag”-Wettbewerbsflair, der sich per QR-Code auch mit Freunden oder Familie erleben lässt. Oder Sie spielen dank Google-Cloud-Support einfach gegen zufällig ausgewählte Spieler auf der ganzen Welt.

Baseball

Pünktlich zum amerikanischen Unabhängigkeitstag am 4. Juli 2021 veröffentlichte Google Doodle Baseball, um seine Nutzer den Tag mit einer Partie des für Europäer meist undurchsichtigen Ballspiels feiern zu lassen. Um die Sache noch amerikanischer zu machen, spielen Sie als verschiedenartig ausgestaltetes Junk Food, das für Baseball-Happenings typisch ist – etwa Hotdogs oder Nachos mit Käse. Das gegnerische Team besteht übrigens aus Erdnüssen.

Wenn Sie das Spiel beginnen, kommt ein zufälliger Snack auf das Spielfeld. Nun müssen Sie die Leertaste drücken, um Ihren Schläger zu schwingen, sobald der Pitcher den Ball wirft. Ballgeschwindigkeit und Wurfstil des Pitchers verändern sich hierbei, je mehr Punkte bereits erzielt wurden. Das Spiel endet, wenn dem Pitcher ein Strikeout gelingt, Sie also dreimal daneben geschlagen haben. Wie viele Punkte können Sie erzielen?

Basketball

Wir bleiben in der Welt des Sports: Basketball ist ein Einzelspieler-Zeitvertreib, bei dem Sie digitale Körbe werfen können. Das Spiel war Teil einer viertägigen Google-Doodle-Aktion, bei dem Sie auch Ihre Fähigkeiten im Fußball und Slalomkanu testen konnten. Laut Ryan Germick, dem Leiter von Google Doodle, wurden diese vier Spiele innerhalb von vier Tagen über eine Milliarde Mal gespielt.

Die Spielmechanik ist einfach: Halten Sie die Leertaste gedrückt, um Kraft aufzubauen und lassen Sie sie dann los, um den Ball zu werfen. Wird zu viel oder zu wenig Kraft aufgebaut, geht der Wurf daneben. Finden Sie heraus, wie viele Bälle Sie innerhalb von 30 Sekunden im Netz versenken können.

Schuppentier-Spiel im Sonic-Style

Das Schuppentier ist das meist gehandelte Tier der Welt und vom Aussterben bedroht. Um das Bewusstsein für dieses Problem zu schärfen, hat Google am Valentinstag 2017 ein Doodle zu Ehren der gefährdeten Tierart veröffentlicht.

Das Schuppentier-Doodle-Spiel ist ein Side-Scroller, der an Segas Sonic Games erinnert. Statt eines blauen Igels bewegen Sie hier ein Schuppentier mit der linken und rechten Pfeiltaste und lassen es mit der Leertaste über Hindernisse springen. Die Aufgabe: Sammeln Sie so viele Gegenstände wie möglich ein und schaffen Sie es bis zur Ziellinie, bevor die Zeit abläuft.

Coding für Karotten

Anlässlich des 50-jährigen Jubiläums von Kids Coding hat das Google Doodle-Team Coding for Carrots veröffentlicht. Dieses einfache “Drag-and-Drop”-Spiel für Kinder führt in das Konzept des Programmierens ein. Das Prinzip ist einfach: Sie müssen ein Kaninchen zu den Karotten schicken, die auf dem Spielfeld verteilt sind.

Dazu gilt es, Codeblöcke mit der Richtungsangabe für den nächsten Sprung (links, rechts, oben, unten) in eine Leiste zu ziehen. Stimmt die Sequenz der Codeblöcke, landet das Kaninchen bei der Karotte. Das Level ist geschafft, wenn alle Karotten eingesammelt wurden, wobei die erforderliche Sequenz mit jedem Level komplizierter wird.

Insel der Champions

Insel der Champions ist mit zwei Stunden Spielzeit eines der umfangreichsten Google-Doodle-Spiele. Ursprünglich sollte es anlässlich der Olympischen Sommerspiele 2020 veröffentlicht werden – aufgrund der pandemiebedingten Verschiebung nahm sich das Google-Doodle-Team die Zeit, weiter am Spiel zu arbeiten. Das hat sich ausgezahlt.

Mit den Pfeiltasten bewegen Sie Ihren Charakter über die Weltkarte und nehmen Herausforderungen der Inselbewohner an. Die Steuerung ist bei jeder Mission anders, daher sollten Sie die jeweiligen Anweisungen sorgfältig lesen. Nehmen Sie an allen Wettbewerben teil, um zu erfahren, ob Sie es an die Spitze der Rangliste schaffen.

Zauberwürfel

Zauberwürfel (auch Rubik’s Cube), die aus sechs Farben, sechs Seiten und 54 Quadraten bestehen, gibt es bereits seit 1974. Im Jahr 2014 veröffentlichte Google das Rubik’s Cube-Doodle zur Feier von 40 Jahren, in denen die farbigen Würfel Menschen auf der ganzen Welt frustriert haben.

Ziel des Spiels ist es, durch Drehen und Wenden der Blöcke jede Seite des Zauberwürfels auf eine einheitliche Farbe zu bringen. Um die Google-Doodle-Version zu spielen, klicken und ziehen Sie Ihren Cursor, um den Würfel zu drehen. Frustfreies Gelingen!

Ein Hoch auf Gartenzwerge

Haben Sie schon einmal den Drang verspürt, Gartenzwerge mit einem Katapult durch den Garten zu schleudern? So oder so: Jetzt haben Sie die Gelegenheit. Um die geschichtsträchtigen kleinen Statuen – der heute übliche Gartenzwerg entstand im 19. Jahrhundert in Thüringen – zu ehren, präsentierte Google Doodle im Juni 2018 The Garden Gnomes.

Ziel des Spiels ist es, möglichst viele Blumen zu pflanzen, indem Sie die Gartenzwerge so weit wie möglich katapultieren. Zum Spielen brauchen Sie nur die Leertaste: Mit dem ersten Tastendruck setzt sich das Katapult in Bewegung, mit dem zweiten wird der Gartenzwerg abgeworfen. Je besser das Timing beim Loslassen, desto weiter die Flugbahn des Zwergs und desto mehr Saatgut in der Erde.

Loteria

Loteria ist ein traditionelles mexikanisches Kartenspiel, das oft auch als mexikanisches Bingo bezeichnet wird. Der Ansager zeigt eine Karte an und wenn der Spieler die gleiche Karte auf seinem Spielbrett hat, darf er eine Bohne darauflegen. Hat er die Karte nicht auf seinem Spielbrett, muss er auf die nächste warten. Jede Runde erfordert ein bestimmtes Bohnen-Muster, um zu gewinnen.

Neben Pac-Man ist Loteria ein weiteres Google-Doodle-Spiel, bei dem Sie gemeinsam mit anderen Spielern Ihr Glück versuchen dürfen.

Meow-loween

Meow-loween wurde anlässlich von Halloween 2016 entwickelt. In diesem Doodle Game steuern Sie eine schwarze Katze namens Momo, die ihre Zauberschule vor anstürmenden Gespenstern retten muss.

Jedes Gespenst weist dabei ein Symbol auf, das über seinem Kopf erscheint. Um den Geist ins Reich der Dunkelheit zu verbannen, müssen Sie das Symbol mithilfe der Maus auf den Bildschirm zeichnen. Dabei ist Schnelligkeit gefragt, denn im Laufe der Zeit erscheinen immer mehr Geister mit immer längeren Symbolkombinationen.

Scoville

Vermutlich haben auch Sie schon einmal den Fehler begangen, eine vermeintlich milde Chili am Stück in den Mund zu stecken. Wenn Sie dann voller Reue versucht haben, das Gefühl von Höllenfeuer schnellstmöglich loszuwerden, konnten Sie hoffentlich auf das Wissen von Wilbur Scoville zurückgreifen und es mit der lindernden Wirkung von Milch bekämpfen. Scoville führte auch ein Messverfahren für die Schärfe von Chilischoten ein. Zu Ehren des 151. Geburtstags des Pharmakologen bietet das Scoville-Doodle-Spiel die Möglichkeit, verschiedenen Chilisorten zu zeigen, wer der Boss ist.

Der virtuelle Scoville probiert in seinem Labor nacheinander verschiedene Chilisorten und arbeitet sich so die Scoville-Skala nach oben. Nachdem er eine Schote gegessen hat, reicht man ihm zur Schmerzlinderung ein Eis. Hier kommen Sie ins Spiel: Am unteren Spielfeldrand gibt es einen Balken mit einem Kreis, der sich schnell hin und her bewegt. Um die Schote mit der Eiskugel zu treffen, muss man den Kreis so nah wie möglich an der Balkenmitte stoppen – entweder mit der Leertaste oder per Mausklick. Je weiter Sie kommen, desto schärfer werden die Gegner.

Sie wollen weitere interessante Beiträge zu diversen Themen aus der IT-Welt lesen? Unsere kostenlosen Newsletter liefern Ihnen alles, was IT-Profis wissen sollten – direkt in Ihre Inbox!

Das Model Context Protocol (MCP) hat sich zur Standard-Schnittstelle zwischen LLM-gestützten Tools und lokalen Systemen, internen und externen APIs sowie Datenquellen entwickelt. Offizielle MCP-Server stehen inzwischen nicht nur für große Cloud-Plattformen und DevOps-Tools zur Verfügung, sondern werden auch von den meisten wichtigen Datenbankplattformen unterstützt.

Einen MCP-Server für Datenbanken zu nutzen, kann Anwender unter anderem dazu befähigen,

• Abfragen durchzuführen, Daten zu erstellen und zu aktualisieren sowie administrative Tasks zu erledigen, ohne manuell SQL schreiben zu müssen.
• mit LLMs neuen Code zu schreiben oder Automatisierungen zu erstellen, die auf das jeweilige Datenbankschema abgestimmt sind.
• das Debugging über schnellere Abfragen optimieren, um Datenprobleme oder Fehlkonfigurationen aufzudecken.

In diesem Beitrag stellen wir ihnen offizielle MCP-Server von führenden Datenbank-Plattformanbietern vor. Diese Server können von jedem MCP-kompatiblen Tool, jeder IDE und jedem Agenten genutzt werden. Das erfordert oft nur einen kleinen JSON-Eintrag in der MCP-Konfigurationsdatei.

Amazon Aurora MCP-Server

MySQL und PostgreSQL sind die weltweit am häufigsten verwendeten Open-Source-Datenbanken. In beiden Fällen existiert jedoch kein einheitlicher MCP-Server. Dafür gibt es diese bei verschiedenen Anbietern. Einer davon ist Amazon Web Services (AWS).

Das Unternehmen bietet für seinen gemanagten relationalen Datenbank-Service Aurora einen offiziellen MCP-Server an. Dieser ist sowohl mit MySQL als auch mit PostgreSQL kompatibel. Laut der Dokumentation auf GitHub kann der Amazon Aurora MySQL MCP-Server dazu genutzt werden, natürlichsprachliche Befehle in MySQL-kompatible SQL-Abfragen umzuwandeln. Diese können anschließend auf Aurora-MySQL-Datenbanken ausgeführt werden. In ähnlicher Weise bietet der Aurora Postgres MCP-Server MCP-Tools, um mit PostgreSQL-Datenbanken zu arbeiten. Für verteilte Postgres-Datenbanken übernimmt der Aurora DSQL MCP-Server dieselbe Funktion.

AWS hat darüber hinaus ein wachsendes Portfolio mit offiziellen MCP-Servern für seine gesamte Produktpalette aufgebaut – darunter auch andere Amazon-Datenbankplattformen wie:

• DynamoDB,
• ElastiCache und
• Redshift.

Zu empfehlen für: AWS-agnostische Anwender, die ihre LLM-Interaktionen mit Daten unterfüttern wollen.

BigQuery MCP-Server

BigQuery ist Googles Cloud-basierte Datenanalyseplattform und eine beliebte Datenquelle für KI-Anwendungen. BigQuery-Nutzer mit konfiguriertem API-Zugriff können den BigQuery MCP Server nutzen, um über MCP-kompatible KI-Clients mit der Plattform zu interagieren. Mithilfe dieses Remote-MCP-Servers können Entwickler:

• Abfragen zu Datenquellen generieren und ausführen oder
• Metadaten zu Datensätzen, Tabellen und Schemata abrufen.

All das ist mit einem einfachen Prompt in natürlicher Sprache realisierbar, beispielsweise: „Liste alle Datensätze im Projekt PROJECT_ID auf.“ Die Ergebnisse lassen sich nach Region, Datensatz-ID, Spaltennamen und weiteren Kriterien filtern. Als Teil von Googles vollständig gemanagtem, remote gehostetem MCP-Portfolio kann der BigQuery MCP Server verteilten Teams das Leben in Bezug auf Security, Wartung und Benutzerfreundlichkeit leichter machen. Allerdings unterliegen die BigQuery-MCP-Tools einigen Beschränkungen hinsichtlich des Umfangs der Abfrageergebnisse, der Verarbeitungszeit und anderen Faktoren.

Zu empfehlen für: Anwender, die bereits auf BigQuery setzen und zusätzliche, agentische Kontrollmaßnahmen wünschen.

Elastic Agent Builder

Eine weitere wichtige Datenbankkategorie umfasst Plattformen, die für Keyword- und semantische Suchen konzipiert sind. In diesem Bereich wird häufig Elasticsearch eingesetzt. Anstelle eines einzelnen MCP-Servers bietetdas Unternehmen inzwischen den Elastic Agent Builder an. Dabei handelt es sich um ein umfassenderes Framework, das auf agentenbasierte Workflows ausgerichtet ist.

Mit dem Elastic Agent Builder können Anwender mit KI-Agenten chatten, um Kontext aus den Elasticsearch-Daten abzurufen und diesen auf verschiedene Umgebungen auszuweiten. Der Agent Builder selbst enthält einen MCP-Server-Endpunkt für die Programmability und um Agenten anderen Clients zugänglich zu machen. Hierbei handelt es sich ausdrücklich nicht um eine direkte MCP-Schnittstelle zu den reinen Elasticsearch-APIs. Stattdessen stellt das Interface Skills der Agentenplattform bereit.

Ein möglicher Nachteil ist dabei, dass dadurch eine zusätzliche Ebene zwischen IDE (beziehungsweise Agenten) und den Daten, nach denen gesucht wird, eingezogen wird. Einen Agenten einzurichten, erfordert eine höhere Abonnement-Stufe und im Vergleich zu anderen MCP-Servern sind zusätzliche Konfigurationsschritte erforderlich.

Zu empfehlen für: Anwender, die Wert auf eine erweiterbare gemeinsame Ebene für die Interaktion sowohl mit Elasticsearch als auch mit externen MCP-Servern legen und gleichzeitig Verantwortlichkeiten wie Berechtigungen zentralisieren möchten.

Neo4j MCP-Server

Graph-Datenbanken sind inzwischen ebenfalls ein wichtiger NoSQL-Datenbanktyp. Dieser ist darauf spezialisiert, mithilfe von Nodes und Edges Abfragen in stark vernetzten Datenstrukturen zu beschleunigen. Eine populäre Option in diesem Bereich ist Neo4j. Der zugehörige offizielle MCP-Server funktioniert mit jeder Art von Neo4j-Deployment (Desktop, Sandbox, selbstverwaltet und gemanagt) und ermöglicht es LLM-basierten Clients unter anderem:

• Graph-Schemata abzurufen,
• Lese- und Schreibanweisungen auszuführen, oder
• Graph-Algorithmen auszuführen.

Darüber hinaus sind weitere Neo4j-MCP-Server für spezielle Anwendungsbereiche verfügbar.

Zu empfehlen für: Neo4j-Poweruser, die mit ihren Graph-Datenbanken auf chatbasierte Weise experimentieren möchten.

MCP Toolbox for Databases

Bei MCP Toolbox for Databases handelt es sich um einen bemerkenswerten MCP-Server von Google, der als populäre „Sammellösung“ für verschiedene Datenbanktypen dient. Denn dieser Server verbindet LLMs nicht mit einer einzelnen verwalteten Datenbank, sondern vereinheitlicht den LLM-Zugriff auf mehrere Systeme. Die Open-Source-Utility wird mit vorkonfigurierten Einstellungen für knapp 30 verschiedene Datenbanken ausgeliefert – darunter:

• PostgreSQL,
• MySQL,
• SQL Server,
• Oracle Database,
• MongoDB,
• Redis,
• Neo4j,
• Snowflake, sowie
• die Datenbanken in Google Cloud.

Sobald die Datenquellen in einer tools.yaml-Datei definiert sind, können mit der MCP Toolbox strukturierte Abfragen oder semantische Suchen in Datenbanken durchgeführt werden – direkt über eine IDE oder einen Agentic Client und in natürlicher Sprache. Dabei werden Befehle in Aktionen wie list_tables und execute_sql übersetzt.

Zu empfehlen für: Anwender, die verschiedene Datenbanken in Google Cloud (oder anderswo) nutzen und einen „All-in-One“-MCP-Server brauchen.

MongoDB MCP-Server

MongoDB ist eine populäre, dokumentenorientierte NoSQL-Datenbank. Die verantwortlichen Entwickler haben ebenfalls einen offiziellen MCP-Server veröffentlicht. Dieser ist sowohl mit der quelloffenen Datenbank als auch mit der gehosteten Cloud-Datenbankplattform MongoDB Atlas kompatibel. Um mit MongoDB-Instanzen zu interagieren, stellt der MCP-Server eine Reihe von Tools bereit. Damit ist es etwa möglich:

• die Datenbank abzufragen,
• Informationen zu Sammlungen abzurufen,
• Indizes zu erstellen und zu entfernen, oder
• Statistiken zur Datenbanknutzung zu erfassen.

Für MongoDB-Atlas-Prozesse stehen zudem weitere Tools zur Verfügung, beispielsweise um Benutzer zu erstellen und zu clustern.  

Die Tools des MongoDB MCP-Servers sind standardmäßig schreibgeschützt, können aber für Schreibzugriff umkonfiguriert werden. Diese können lokal genutzt werden, unterstützen aber auch den Streamable-HTTP-Transport für Remote-Server (was allerdings mit größeren Sicherheitsbedenken verbunden ist).

Zu empfehlen für: Alle, die MongoDB nutzen und ihre KI-fähige IDE oder CLI mit mehr Automatisierungsfunktionen ausstatten möchten.

Pinecone MCP-Server

Geht es um native Vektordatenbanken, ist Pinecone eine performante und weit verbreitete Option – inklusive einer gut durchdachten API und umfassenden SDKs. Der Pinecone MCP-Server erweitert diese Möglichkeiten und befähigt Benutzer etwa dazu, die Dokumentation abzufragen und Funktionen über KI-Agenten und KI-fähige IDEs auszuführen. Dabei zeichnet sich der Pinecone MCP-Server durch einfache Konfiguration und Installation aus. Derzeit besteht der Pinecone MCP-Server aus neun MCP-Tools. Diese decken diverse schreibgeschützte Aktionen ab, etwa:

• Knowledge Gathering über die offizielle Pinecone-Dokumentation,
• die Abfrage von Vektordatensätzen, Index-Metadaten, Konfigurationen sowie Statistiken, und
• Datensätze und Indizes zu aktualisieren, beziehungsweise neu zu erstellen.

Zu empfehlen für: Pinecone-Nutzer, die neue LLM-gestützte Workflows ausprobieren möchten, um Indizes mit Embeddings zu erstellen oder Ergebnisse mithilfe von natürlichsprachlichen Befehlen  überprüfen möchten.

Redis MCP-Server

Als schnelle In-Memory-Datenbank wird Redis vornehmlich für Caching, Echtzeitanalysen und andere Anwendungsfälle eingesetzt, bei denen es auf die Latenz ankommt. Die Macher von Redis stellen ebenfalls einen offiziellen MCP-Server zur Verfügung, der Lese-, Abfrage- und Schreibfunktionen realisiert. Entwickler können den Redis MCP-Server über einen LLM-Client nutzen, um Redis-Daten auf Prompt-Basis:

• abzufragen,
• zu analysieren oder
• einzubetten.

Die Dokumentation enthält auch einige Beispiel-Prompts für gängige Anwendungsfälle.

Im Gegensatz zu anderen MCP-Servern, die nur einen Teil der Plattformfunktionen abbilden, bietet Redis MCP vollen Support. Laut dem zugehörigen GitHub-Repository stellt es so auch kein Problem dar, mit Redis-Konstrukten wie Hashes, Lists, Sets und Streams zu arbeiten. Ein möglicher Nachteil dieser Option: Der Redis MCP-Server bietet bislang keinen Support für Streamable-HTTP-Transport. Bis es soweit ist, ist dieser MCP-Server auf eine lokale Bereitstellung beschränkt.

Zu empfehlen für: Alle, die einen lokalen MCP-Server für die Arbeit mit Redis-Daten suchen.

Snowflake MCP-Server

Snowflake ist eine in der Cloud gehostete, KI-fähige Datenplattform, die im Enterprise-Umfeld häufig für Data Warehousing, Datenanalysen und Data Engineering eingesetzt wird. Im Vergleich zu anderen Plattformen zeichnet sich Snowflake dabei dadurch aus, dass es vollumfänglich gemanagt wird und strukturierte sowie unstrukturierte Datentypen kombiniert. Der Snowflake MCP Server, der über GitHub verfügbar ist, lässt sich für diverse Standardoperationen der Snowflake-Plattform einsetzen. Dazu gehören etwa:

• „Fuzzy“-Suchen über Snowflakes Cortex Search in allen Datensätzen, sowie
• semantische Abfragen strukturierter Daten mithilfe von Cortex Analyst.

Zu den weiteren Funktionen gehören Objektmanagement-Prozesse – also Datensätze zu erstellen, zu aktualisieren oder zu löschen. Der MCP-Server kann darüber hinaus weitere agentenbasierte Funktionen realisieren, etwa SQL-Anweisungen für Backend-Datenbanken zu generieren und auszuführen. Der Snowflake MCP-Server ist dabei sowohl gut durchdacht als auch umfassend dokumentiert.

Zu empfehlen für: Anwender, die bereits mit Snowflake arbeiten.

Supabase MCP-Server

PostgreSQL ist eines der beliebtesten und bewährtesten objektrelationalen, SQL-basierten Datenbanksysteme. Seiner aktiven Open-Source-Community sei Dank wurde PostgreSQL über Jahrzehnte hinweg weiterentwickelt. Aufgrund des quelloffenen Charakters gibt es jedoch keinen „offiziellen“ MCP-Server für die Plattform. Anthropic hatte ursprünglich zwar eine Referenzimplementierung entwickelt, diese ist jedoch mittlerweile archiviert.

Stattdessen bieten auf PostgreSQL aufbauende Datenbankplattformen verschiedene Varianten von MCP-Servern an. Diese unterscheiden sich hinsichtlich ihrer Herstellerneutralität und Spezifität. Eine bemerkenswerte Option ist der MCP-Server von Supabase, einer Cloud-basierten „Backend-as-a-Service“- und Postgres-Entwicklungsplattform. Der Supabase MCP Server verbindet KI-Agenten mit Supabase-Projekten und ermöglicht es Entwicklern, Befehle in natürlicher Sprache zu erteilen, um:

• Tabellen zu verwalten,
• Daten abzufragen,
• Protokolle abzurufen, und
• Konfigurationsinformationen einzusehen.

Allerdings gibt es noch kein finales Release des MCP-Servers von Supabase, weswegen einige Funktionen noch experimentell sind.

Zu empfehlen für: Entwickler, die Supabase nutzen und nach einem MCP-Server suchen, um KI-Assistenten mit Postgres-Datenbanken zu verbinden – auf experimenteller Basis.

Weitere MCP-Serveroptionen für Datenbanken

Neben den offiziellen MCP-Servern mit Anbieter-Support stehen auch zahlreiche MCP-Server für weitere Datenbankplattformen und -typen zur Verfügung. Zum Beispiel:

• DBHub, ein MCP-Server, der den LLM-Zugriff über verschiedene Datenbanktypen hinweg bündelt und mit MySQL, PostgreSQL, SQL Server, MariaDB und SQLite kompatibel ist.
• Der MCP Server for MySQL, der vom deutschen Full-Stack-Entwickler Ben Borla entwickelt und für Claude Code optimiert wurde.
• Die Supabase-, respektive Postgres-Alternativen pgEdge Postgres MCP, Neon MCP Server und Postgres MCP Pro.
• Die auf Vektordatenbanken ausgelegten MCP-Server von Weaviate und Milvus.

(fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.

Model Context Protocol (MCP) has gained considerable momentum as a standard connector between LLM-powered tools and local systems, internal and external APIs, and data sources. From major clouds to devops tools, MCP servers are enabling powerful, AI-powered development and operations capabilities through natural language commands.

Nowhere is this more true than in the world of databases. Most major database platforms now support agentic access through MCP servers. Using an MCP server for databases, you and your AI agent proxies can perform lookups, create and update data, and perform administrative tasks without you having to write SQL by hand.

The MCP server could also guide your LLMs to write new code or build automations that align with your database schema, like its tables, structure, and fields, as well as embeddings, indexes, and metadata. It could also aid debugging by enabling faster queries to surface data issues or misconfigurations, along with plenty of other possible use cases.

Below, we’ll cover official MCP servers from some of the top platform options across major database styles. Though maturity varies, the MCP servers discussed below represent some of the best vendor-backed offerings available today across relational SQL, NoSQL, graph, vector, and data warehouse systems.

These servers can be used by any MCP-compatible tool, IDE, or agent, whether it’s Claude Code, Codex, Cursor, Gemini CLI, Google Antigravity, VS Code, Windsurf, or something else. Adding them is typically simple, often involving a lightweight JSON addition to your MCP configuration file.

Amazon Aurora MCP Servers

MySQL and PostgreSQL are the world’s most widely-used open source databases. However, in both cases, there is no canonical MCP server—what we see are different MCP servers emerging across vendors. One of these vendors is Amazon Web Services (AWS), which offers official MCP servers for Amazon Aurora, its managed relational database service compatible with both MySQL and PostgreSQL.

According to the documentation on GitHub, the Amazon Aurora MySQL MCP Server can be used to convert natural language commands into MySQL-compatible SQL queries, which can then be executed against Aurora MySQL databases. Similarly, the Aurora Postgres MCP Server provides MCP tools for working on PostgreSQL databases. The Aurora DSQL MCP Server does the same for distributed Postgres databases.

AWS provides a growing portfolio of official MCP servers across its product line, including MCP servers for other Amazon database platforms like DynamoDB, ElastiCache, and Redshift. If you’re a heavy AWS shop and you want to enable LLM interactions with your data, these are sensible choices.

BigQuery MCP Server

BigQuery is Google’s cloud-based data analytics platform, and a popular data source for AI applications. BigQuery users with API access configured can also utilize the BigQuery MCP Server to interact with the platform using MCP-compatible AI clients.

Using the remote BigQuery MCP Server, engineers can generate and execute queries on data sources, or return metadata on datasets, tables, and schema. This can be done with a simple natural language prompt like “List the datasets in project PROJECT_ID.” Results are filterable by region, data set ID, column name, and more.

As part of Google’s fully-managed, remote-hosted MCP portfolio, the BigQuery MCP Server provides some peace of mind regarding security, maintenance, and ease of use for distributed teams. The MCP tools are subject to some limitations, however, in terms of query result size, processing time, and other factors. If you’re using BigQuery and you want more agentic control, you’ll want to check this one out.

Elastic Agent Builder

Another important database category includes platforms designed for keyword and semantic search. In this space, Elasticsearch is commonly deployed. Instead of providing a single MCP server, Elasticsearch provides the Elastic Agent Builder, which is a more comprehensive framework aimed at agentic workflows.

Using Elastic Agent Builder, you can chat with an agent to retrieve data context from Elasticsearch data and extend it into various environments. The Agent Builder itself includes an MCP server endpoint for programmability and exposing the agent to other clients.

Unlike others on this list, this is not a direct MCP interface to raw Elasticsearch APIs. Instead, it’s an interface that exposes skills from the agent platform. This should also not be confused with the Elasticsearch MCP Server, released in mid-2025, which has since been deprecated.

A possible downside of using this utility is that it includes an additional layer between your IDE or agent and the data you’re searching. The agent setup requires a higher subscription and takes additional steps to configure compared to other MCP servers.

That said, if you want an extensible common layer to interact with both Elasticsearch and external MCP servers, while centralizing responsibilities like permissions, this is an interesting proposition.

MCP servers for Neo4j

Graph databases are another key NoSQL database type these days, specializing in using nodes and edges to accelerate queries of highly interconnected data. Of these, Neo4j is a popular graph database option.

The Official MCP Server for Neo4j works with all kinds of Neo4j deployment (desktop, sandbox, self-managed, and the managed Neo4j Aura cloud service), and allows LLM-based clients to retrieve graph schema, execute read and write statements, execute graph algorithms, and more.

In addition, several other MCP servers for Neo4j are available from Neo4j Labs. These have specialized uses, such as generating Cypher queries from natural language, maintaining an in-memory graph database, modeling and visualizing graph, and interacting with the Neo4j Aura API.

The first MCP server for Neo4j was developed in December 2024. If you’re an avid Neo4j user and want to experiment with interacting with your graph databases in a chat-infused way, these stand as an interesting platform of servers.

MCP Toolbox for Databases

Google’s MCP Toolbox for Databases is a notable MCP server because it’s a popular catch-all for various database types. Unlike the other entries on this list, this server connects LLMs not to a single managed database, but unifies LLM access to multiple systems. The open source utility ships with pre-built configurations for nearly 30 databases including PostgreSQL, MySQL, SQL Server, Oracle Database, MongoDB, Redis, Neo4j, and Snowflake, as well as the databases in Google Cloud.

Once you define data sources in a tools.yaml file, you can use MCP Toolbox to perform structured queries or semantic searches against databases directly from within an IDE or agentic client using plain English. MCP tools translate commands into actions like list_tables and execute_sql.

MCP Toolbox for Databases is mature, originally built as a generative AI utility and later re-worked for MCP-style workflows. It offers numerous download, configuration, and interaction methods.

If you’re using a variety of databases on Google Cloud and elsewhere and you want an “all-in-one” MCP server, MCP Toolbox for Databases is a great place to start.

MongoDB MCP Server

MongoDB is the popular NoSQL document-oriented database. The creators of MongoDB have released an official MCP server that works with the open-source database as well as the company’s cloud-hosted MongoDB Atlas database platform.

The MongoDB MCP Server provides a number of tools to interact with MongoDB. You can query the database, return information on collections, create or remove collections or indexes, gather statistics on database usage, and more. Other tools enable MongoDB Atlas operations, like creating users or clusters, returning cluster data, and other functions.

The server’s tools are read-only by default but can be switched to allow write capabilities. It can be used locally, but also supports Streamable HTTP transport for remote servers, although that comes with greater security concerns.

For those using MongoDB and wanting to hook their AI-enabled IDE or CLI up with more automated powers, the official MongoDB MCP Server is worth checking out.

Pinecone MCP server

Among vector-native databases, Pinecone stands as a strong, widely used option with a well-designed API and comprehensive SDKs. The Pinecone MCP server extends this experience, allowing users to query its documentation and execute functionality via AI agents and AI-enabled IDEs.

To date, the Pinecone MCP server consists of nine MCP tools. These cover read-only actions, like knowledge gathering via the Pinecone official documentation and querying vector records, index metadata, configurations, and statistics. It also allows for write operations like updating records and creating new indexes.

Released in mid-2025, the Pinecone MCP server is one of the more complete early implementations, with easy configuration and installation.

For those using Pinecone who want to test new LLM-assisted workflows for creating indexes with embeddings, performing reranking, or testing results using natural language commands, the Pinecone MCP server is worth trying out.

Redis MCP

An ultra-fast in-memory database, Redis is commonly used for caching, real-time analytics, and other latency-sensitive use cases. And as you might have guessed, the company behind the Redis database provides an official MCP server. The server allows read, query, and write capabilities.

Developers can use Redis MCP from an LLM client to perform high-level actions to analyze, reference, or embed Redis data and interact with the Redis server within their prompts. The documentation suggests some example prompts for common use cases, such as “Cache this item,” “How many keys does my database have?,” and “What is user:1’s email?”

Unlike other MCP servers, which only allow a slice of platform capabilities, Redis MCP offers full Redis support. This enables working with Redis constructs such as hashes, lists, sets, sorted sets, streams, and more, according to the GitHub repository.

One possible drawback is that Redis MCP has yet to support Streamable HTTP transport. Until this is developed, the server is constrained to local deployment. But for those seeking a local MCP server to work with Redis data, this is the best choice.

Snowflake MCP Server

Snowflake is a cloud-hosted, AI-enabled data platform widely used in enterprise contexts for data warehousing, data analytics, and data engineering purposes. Compared to other data storage systems, Snowflake is unique in that it’s more fully managed and combines structured and non-structured data types.

The Snowflake MCP Server, available on GitHub, can be used to perform many of the standard Snowflake platform operations. This includes a “fuzzy” search of all records via Snowflake’s Cortex Search and structured data semantic lookups using Cortex Analyst.

Other abilities include object management operations like creating, updating, and deleting records. The server also can invoke other agentic-designed capabilities, like the ability to generate and execute SQL statements against back-end databases.

Snowflake MCP Server is well-thought-out and well-documented, with walkthroughs for various agent and deployment patterns. Those already building with Snowflake should find it complements the mechanics they already employ.

Supabase MCP Server

A longtime open-source favorite, PostgreSQL is one of the most popular and trusted object-relational SQL-based database systems. With an active open source community, Postgres has been maturing for decades. Given its open source nature, there isn’t a single “official” MCP server for the platform. Anthropic built an original reference implementation, but it’s now archived.

Instead, database platforms built on PostgreSQL provide different flavors of MCP servers, with a range of vendor neutrality and specificity. One notable option is the Supabase MCP Server, provided by Supabase, a cloud-based “back end as a service” and Postgres development platform.

Supabase MCP Server connects AI agents with Supabase projects, allowing engineers to issue natural language commands to manage tables, query data, get logs, fetch configuration information, and more. The Supabase MCP Server is pre-1.0 release and some features are still experimental.

If you’re an engineer using Supabase and looking for an MCP server to connect your AI assistant with your Postgres databases, this is a good tool to test out.

Other MCP servers for databases to consider

So far, we’ve reviewed official, vendor-backed MCP servers from some of the most-adopted managed databases. However, numerous MCP servers exist across other database platforms and types.

One MCP server that aggregates LLM access across various database types is DBHub, which works with MySQL, PostgreSQL, SQL Server, MariaDB, and SQLite. Developed by Bytebase, DBHub is described as a zero-dependency, token-efficient MCP server.

For SQL, the options are nearly endless. Official servers exist for Microsoft Azure SQL and DuckDB. PulseMCP catalogs more than 100 MCP servers for MySQL, although most are unofficial, solo-creator open source projects. Of these, one of the most starred is MCP Server for MySQL, developed by full-stack developer Ben Borla and optimized for Claude Code.

For Postgres, notable alternatives to Supabase include pgEdge Postgres MCP, Neon MCP server, and Postgres MCP Pro. For vector databases, others beyond Pinecone have been quick to adopt MCP as well, including Weaviate and Milvus.

Using MCP for databases: what to watch out for

Before diving into MCP servers for enterprise databases, it’s important to understand the security risks. For instance, prompt injection remains an unsolved problem, so it’s recommended to limit permissions for SQL statements.

To mitigate this, Supabase recommends enabling AI client settings that require manual approval for each tool call before execution. Experts also recommend assigning only the minimum permissions required and avoiding exposure of sensitive data like API credentials. Due diligence around authentication and authorization is especially important when hosting remote servers.

Lastly, to avoid shadow IT, it’s becoming common practice to catalog the internal MCP servers you use, even for experimental projects. For this, experts recommend an MCP registry that documents approved servers. An MCP registry improves both MCP server discovery and security awareness.

Vibe Coding verspricht zwar seit seinem Aufkommen, die Softwareentwicklung wesentlich zu beschleunigen und zu demokratisieren, ist aber – insbesondere in einem professionellen Umfeld – nicht unumstritten.

Inzwischen sind die Tools in diesem Bereich allerdings reif genug, um die anfänglichen Versprechen auch einzulösen. Zumindest, wenn es um Prototypen oder ein Minimum Viable Product (MVP) geht. Nur ein paar Textanweisungen, schon entspringt der KI etwas, das früher Wochen in Anspruch genommen hätte. Ganz zu schweigen vom damit verbundenen bürokratischen Aufwand für Business-Anwender.

Natürlich kann es beim Vibe Coding weiterhin zu Fehlern und Versäumnissen kommen. Dabei stellt sich allerdings die Frage, ob das schlimmer ist als das, was ein menschliches Team versehentlich verbocken oder übersehen könnte, wenn es das gleiche erstellt.

In diesem Artikel stellen wir Ihnen in aller Kürze 19 empfehlenswerte Vibe-Coding-Tools vor.

Vibe coding now has an official illustrative GIF! https://t.co/dHKuJwTBzj

— Simon Willison (@simonw) March 23, 2025

Base44/Wix

Im Fall von Base44 (inzwischen im Besitz von Wix), beginnt mit einem „Builder Chat“, der die Datenarchitektur fokussiert. Davon ausgehend erstellt das Vibe-Coding-Tool auf Basis natürlichsprachlicher Anweisungen React- und Tailwind-Code für das Frontend, die in einem Deno-Backend zusammengeführt werden.

Um den Entwicklungsprozess zusätzlich zu beschleunigen, stehen diverse Templates für gängige Anwendungsfälle zur Verfügung, etwa in den Bereichen E-Commerce, Content-Management und Produktivität. Die Benutzeroberfläche dieser Lösung lässt sich dabei über einen visuellen Editor im Drag-und-Drop-Verfahren anpassen.

Betty Blocks

Die Macher hinter der No-Code-Lösung Betty Blocks wollen in erster Linie „Citizen Developer“ ansprechen – also Nicht-Programmierer, die jedoch wissen, welche Art von Anwendung ihr Fachbereich benötigt.

Aus der natürlichsprachlichen Beschreibung dieser Applikation erzeugt die Betty-Blocks-Plattform React-Code. Dieser wird zur „Weiterverarbeitung“ in ein Code Repository exportiert – kann jedoch auch für zukünftige Deployment-Zwecke auf WASM-Ebene kompiliert werden. Darüber hinaus bietet die Lösung auch einen Low-Code-Ansatz an, der eine visuelle Oberfläche für weitere Anpassungen und Verfeinerungen bereitstellt.

Blink

Der Code-Agent von Blink erstellt TypeScript-React-Anwendungen und bietet zwei Modi: den Agent-Modus (zum Erstellen) und den Chat-Modus (zum Planen).

Blink hostet jede Anwendung über sein internes Content Delivery Network, ermöglicht es aber auch, diese auf eigene Server oder in die Cloud zu exportieren.

Bolt

Der No-Code-Service von Bolt wurde mit dem Ziel entwickelt, ein singuläres visuelles Interface zu verschiedenen Backend-Coding-KIs bereitzustellen. Entsprechend ist es möglich, mit diversen verschiedenen Agenten zu arbeiten, darunter etwa Claude und Gemini.  

Weil das Tool über einen eigenständigen Design-Layer verfügt, lassen sich Standard-Designs erstellen, die dann von jeder App genutzt werden können, die die KI erzeugt. Bolt steht zudem als Open-Source-Version zur Verfügung, die unter der MIT-Lizenz veröffentlicht wurde.

Bubble

Auch bei Bubble handelt es sich um ein No-Code-Tool. Dieses umfasst verschiedene Funktionen, die weit über einen bloßen Chat hinausgehen. Ein visueller Editor ist ebenfalls mit an Bord, um die Benutzeroberfläche schnell und einfach auf die eigenen Bedürfnisse anzupassen.

Eine Workflow-Ansicht verschafft zudem Überblick über vieles, was im Hintergrund abläuft – und schafft damit Transparenz für die Benutzer. Die Zielsetzung dieses Tools besteht darin, den Menschen stärker als Partner der KI einzubinden.

Claude Code

Anthropics Vorzeige-LLM Claude kann diverse Programmieraufgaben übernehmen – beispielsweise neue Applikationen erstellen oder alte reparieren. Das Backend lässt sich mit vielen traditionellen IDEs wie Visual Studio Code verbinden – oder auch mit einem Slack-Kanal.

Eine populärer Anwendungsfall für Claude Code ist, große Codebasen zu durchsuchen, um Probleme zu finden und zu beheben. Anwender loben außerdem, dass sich Claude sehr gut auf lokale Codierungsstandards ausrichten lässt.

Continue

Der quelloffene KI-Agent von Continue eignet sich am besten für professionelle Entwickler, die bei ihrer Arbeit zusätzliche Unterstützung wünschen. Das Tool überwacht Codebasen auf spezifische Trigger, beispielsweise neue Pull-Releases – und schaltet dann KI-Agenten ein, um diverse Routineaufgaben zu erledigen.

Die Zielsetzung bei diesem Tool besteht darin, menschlichen Profis die langweiligsten Tasks zu ersparen, damit diese sich darauf konzentrieren können, kreativ zu sein. Continue lässt sich in diverse IDEs und KI-APIs integrieren.

Create.xyz

Das Tool von Create.xyz heißt “Anything” und soll jede erdenkliche React/Tailwind-App aus einem simplen Text-Prompt erstellen können.

Die Ergebnisse werden aus vielen stilisierten Komponenten für Tasks, die sowohl im Browser als auch auf mobilen Plattformen gut laufen (etwa Datenbankzugriff) generiert. Entwickler können sich dann tiefgehend mit dem Code auseinandersetzen und persönliche Akzente setzen.

Cursor

Vor allem Entwickler der alten Schule finden häufig Gefallen an Cursor. Dieses Tool generiert neuen Code, überprüft alten und trackt entstehende Probleme – zum Beispiel über Slack.

Zudem ist diese Lösung in der Lage, mehrere Dateien gleichzeitig zu bearbeiten und komplette Codebasen zu analysieren, bevor sie einen Aktionsplan vorschlägt. Cursor ist vor allem für den Einsatz in traditionellen Entwicklungsumgebungen konzipiert.

Emergent

Die Webanwendung von Emergent ist ein Frontend für KI-Agenten-Teams. Aus einer einfachen Text-Beschreibung entsteht ein Frontend (React), ein Backend (Node.js), Datenbanken (MongoDB) sowie eine Sammlung von APIs mit vollständiger Integration (Stripe und Co.).

Die Zielsetzung ist es, die gesamte Development-Komplexität zu abstrahieren. Das soll Nicht-Entwicklern ermöglichen, alles zu erstellen, was sie wollen. Entwickler können es beispielsweise für  Prototypen nutzen – die nahezu produktionsreif sind.

Kilo Code

Der Open-Source-Agent von Kilo verfügt über eine Reihe von Funktionen, die für Programmierer interessant sind. Insbesondere solche, die regelmäßig größere Codebasen pflegen und erweitern. Der Orchestrator-Modus hilft beispielsweise dabei, Arbeitspläne zu erstellen, die Code-Review-Funktion überprüft auf Fehler.

Eine Memory Bank speichert dabei übergeordnete Details zur Architektur des Projekts. Durch die Anbindung an mehr als 500 KI-Modelle dürften Anwender keine Probleme damit haben, das richtige für ihre Zwecke zu integrieren. Zudem wird so die Bindung an einen (LLM-)Anbieter vermieden.

Lindy

Das Tool von Lindy ist darauf ausgelegt, „Agenten“ zu erstellen, bei denen es sich in der Regel um Code-Schnipsel handelt, die im Hintergrund arbeiten. Diese reagieren auf bestimmte Trigger wie eine Slack-Nachricht oder einen neuen Commit in einem Repository.

Diese Events lassen sich durch Hunderte verschiedene Webanwendungen auslösen, darunter auch die aller großen Cloud-Anbieter und Office-Organisationsplattformen wie Jira oder Zoho. Standardanwendungen lassen sich mit Lindy zudem über vordefinierte Templates noch schneller erstellen. Ein gängiger Anwendungsfall für dieses Tool ist beispielsweise ein KI-Agent für den IT-Support.

Lovable

Die No-Code-Oberfläche von Lovable erstellt Anwendungen per Chat-Anweisung und stellt sie über die Lovable-Cloud bereit. Das Tool kümmert sich um die Benutzeroberfläche (React plus Tailwind), die Business-Logik und die Datenbank (hauptsächlich Supabase).

Im Ergebnis ist Lovable eines der besten Werkzeuge, um besonders schnell zu Enterprise-reifen Prototypen mit ausgefeilten Benutzeroberflächen zu kommen – und diverse Sicherheits- und Zugriffskontrollfunktionen zu erstellen, die für größere Umgebungen erforderlich sind.

Replit

Die No-Code-Lösung von Replit liefert Code in bis zu 30 Programmiersprachen – darunter alle gängigen und auch weniger verbreitete. Das Haupt-Interface ist ein No-Code-Chatbot, anschließend wird der Code jedoch in ein Repository übertragen, wo er mit traditionellen Methoden weiter verfeinert werden kann.

Der Datenbank-Layer ist bei dieser Lösung ausgegliedert. Dadurch stehen etwa Optionen wie getrennte Datenbanken für Produktion und Testing zur Verfügung. Zudem beinhaltet Replit auch Enterprise-Funktionen – zum Beispiel für Teams, die gemeinsam per Chat eine App optimieren möchten.

Softgen

Das Softgen-Tool erstellt vollständige Next.js-Webanwendungen als MVP aus einfachen Textbeschreibungen und funktioniert mit den wichtigsten KI-Modellen wie Claude 4.5 oder Gemini.

Dank einer Pay-as-you-go-Option bezahlen Anwender bei diesem Vibe-Coding-Tool nur für die Token, die sie für ihre Anwendung benötigen.

Solid

Solid legt den Schwerpunkt auf die Erstellung von“Enterprise Grade“- Apps, inklusive erstklassigen Security-Modellen und verteilter Bereitstellung.

Die Dokumentation betont die iterative Zusammenarbeit mit der KI und die Nutzung ihrer Stärken – nämlich ein React/Tailwind-Frontend mit einer Vielzahl von Backends zu generieren.

Tempo Labs

Der visuelle Editor von Tempo Labs zielt darauf ab, menschliche Benutzer dazu zu befähigen, React-Apps schneller zu erstellen – um den Faktor Zehn. Einfache visuelle Aufgaben lassen sich dabei auch ganz ohne KI ausführen.

Das Tool legt den Schwerpunkt auf Design und unterhält eine Bibliothek mit Standardelementen für jedes Projekt. Jede React-Codebasis kann importiert und mit vorgefertigten Komponenten und Vorlagen erweitert werden. Es ist ein Editor, der inspirieren kann.

Vercel

Die v0-Plattform von Vercel bietet eine ausgedehnte Template-Kollektion als Grundlage, um Anwendungen zu designen. Auch bei dieser Lösung ist das Haupt-Interface ein Chat-Fenster, über das sich jedes erdenkliche Design umsetzen lässt. Allerdings dienen die Templates hier sowohl als Inspiration als auch als gemeinsame Sprache, um die Spezifikationen zu verfassen.

Die Lösung bietet auch Designvorlagen, die die Harmonisierung verschiedener Anwendungen vereinfachen. Dazu definiert sie einmalig einen Look und verwendet diesen dann wieder. Ein Schwerpunkt liegt dabei auf mobilen Browsern, was es vereinfacht, Webseiten zu erstellen, die für Mobilgeräte optimiert sind.

Windsurf

Windsurf ist eine integrierte Entwicklungsumgebung mit eingebetteter KI. Sie ist darauf ausgelegt, längere mehrstufige Pläne („Cascades“) zu generieren – etwa, um Bugs zu beheben oder eine Codebasis um Funktionen zu erweitern. Anders ausgedrückt: Windsurf ermöglicht Vibe Coding, das darauf ausgerichtet ist, traditionelle Dev-Techniken zu unterstützen.

Die Tabulatortaste ist innerhalb der Windsurf-IDE dabei besonders leistungsstark: Bei Betätigung springt die KI von einem vorgeschlagenen Fix zum nächsten. Ihre Zustimmung signalisieren die Benutzer dabei durch einen erneuten Tab-Tastendruck. (fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation CIO.com erschienen.